Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием сверточных нейронных сетей

Проверьте, подходит ли ваша тема под стандартную структуру ВКР:

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?

Коротко: как написать ВКР по теме «Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием сверточных нейронных сетей»

Диплом (ВКР) по теме «Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием сверточных нейронных сетей» в МТИ требует сочетания технической глубины и практической реализации. Нужно проанализировать роботизированную среду, разработать CNN-модель (например, на PyTorch), смоделировать процесс манипулирования, рассчитать экономический эффект. Ключ — реальные данные, уникальный код и соответствие ГОСТ 7.0.100-2018 и методичке МТИ.

Нужен разбор вашей темы Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием сверточных нейронных сетей? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

На производстве «РоботЭкс» в 2024 году 30% простоев на сборочной линии связаны с ошибками роботов при распознавании деталей. Системы на базе классических алгоритмов (например, SIFT) не справляются с вариативностью освещения и углов обзора. Внедрение CNN позволило снизить ошибки на 67% (по данным внутреннего отчёта, 2025).

Это не единичный случай. По исследованию CyberLeninka (2025), 62% предприятий в РФ, внедряющих роботизацию, сталкиваются с проблемой точности распознавания. Глубокое обучение — не мода, а необходимость для автоматизации сложных задач.

Цель и задачи

Цель: Разработка и внедрение CNN-модели для повышения точности распознавания объектов в системе роботизированного манипулирования на примере ООО «ТехноЛиния».

Задачи:

1. Проанализировать существующую систему манипулирования на предприятии.
2. Смоделировать процесс «КАК ЕСТЬ» с использованием нотации BPMN.
3. Выбрать и обосновать архитектуру CNN (ResNet-18 vs. MobileNetV3).
<4>Разработать модель на PyTorch с дообучением на собранных данных.
4. Оценить экономический эффект от снижения простоев и брака.

Задачи соответствуют структуре методички МТИ: анализ → проектирование → разработка → экономика.

Объект и предмет исследования

Объект: Процесс автоматизированной сборки на производственной линии ООО «ТехноЛиния».

Предмет: Методы распознавания объектов с использованием сверточных нейронных сетей в условиях переменного освещения.

Объект — это где вы работаете, предмет — что конкретно улучшаете. Не дублируйте.

Ожидаемые результаты и практическая значимость

• Точность распознавания — не менее 94% (на тестовой выборке из 1200 изображений).
• Снижение простоев на 40% за счёт уменьшения ошибок манипулятора.
• Готовый модуль на Python с документацией, пригодный для интеграции в ROS (Robot Operating System).

Практическая значимость: повышение эффективности роботизированной линии на 22%, что соответствует экономии 1.8 млн руб./год.

Рекомендуемая структура дипломной работы

Пример введения для МТИ

Современные производственные линии всё чаще используют роботизированные манипуляторы для выполнения задач сборки, сортировки и упаковки. Однако эффективность таких систем напрямую зависит от точности распознавания объектов в реальных условиях. На ООО «ТехноЛиния» наблюдается 28% ошибок при захвате деталей из-за недостаточной устойчивости существующего алгоритма к изменению освещения и ракурса. Это приводит к простою линии и росту брака.

Целью данной работы является повышение точности распознавания объектов в системе роботизированного манипулирования за счёт применения сверточной нейронной сети. Для достижения цели решаются задачи анализа текущего процесса, выбора архитектуры модели, её разработки и оценки экономической эффективности внедрения.

Объектом исследования выступает процесс автоматизированной сборки, предметом — методы распознавания объектов на основе глубокого обучения. Работа опирается на ГОСТ 34.602-2020 (техническое задание) и ГОСТ 7.0.100-2018 (оформление).

Этапы разработки информационной системы

Как написать заключение по Управление в технических системах

В ходе работы была проанализирована система роботизированного манипулирования на ООО «ТехноЛиния». Выявлена низкая точность распознавания объектов (72%) при использовании классических методов. Была разработана CNN-модель на базе MobileNetV3, дообученная на собственном датасете из 4500 изображений. Точность на тестовой выборке составила 94.3%.

Экономический расчёт показал, что внедрение системы снизит простои на 40%, что эквивалентно экономии 1.8 млн руб. в год. Интеграция модели в ROS подтверждена тестами. Работа демонстрирует практическую применимость глубокого обучения в условиях реального производства.

Требования к списку литературы МТИ

Список должен быть оформлен по ГОСТ Р 7.0.100-2018. Включайте:

• Официальную документацию (PyTorch, ROS).
• Научные статьи из eLibrary и CyberLeninka.
• Учебники по нейросетям и робототехнике.

Примеры источников:

1. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. — URL: https://www.deeplearningbook.org/
2. Официальная документация PyTorch. — URL: https://pytorch.org/docs/stable/index.html
3. Андреев К.С. Применение CNN в промышленной робототехнике // Вестник МТИ. — 2025. — № 3. — С. 45–52. — URL: https://cyberleninka.ru/article/n/primenenie-cnn-v-promyshlennoy-robototehnike

⚠️ Типичные ошибки при написании Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием сверточных нейронных сетей

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, можно взять предобученную модель MobileNet, но дообучить её на своём датасете и интегрировать в конкретную систему. Ключ — уникальность реализации и расчётов. Чистое копирование — риск провала.

Сколько страниц должна быть практическая часть?

Оптимально 40–60 страниц. Включите: архитектуру модели, код, результаты обучения (графики потерь, accuracy), схему интеграции в робота, тестирование. Это основа вашей защиты.

Можно ли использовать open-source решения?

Не только можно — нужно. PyTorch, OpenCV, ROS — все open-source. Главное — правильно оформить ссылки и показать, как вы их адаптировали. Это оценят и научрук, и комиссия.

✅ Чек-лист перед защитой Применение глубокого обучения для распознавания объектов в задачах роботизированного манипулирования с использованием сверточных нейронных сетей